An Epileptic Seizure Prediction Algorithm from Scalp EEG Based on Morphological Filter and Kolmogorov Complexity

Abstract

Epilepsy is the most common neurological disorder in the world, second only to stroke. There are nearly 15 million patients suffer from refractory epilepsy, with no available therapy. Although most seizures are not life threatening, they are an unpredictable source of annoyance and embarrassment, which will result in unconfident and fear. Prediction of epileptic seizures has a profound effect in understanding the mechanism of seizure, improving the rehabilitation possibilities and thereby the quality of life for epilepsy patients. A seizure prediction system can help refractory patients rehabilitate psychologically.In this paper, we introduce an epilepsy seizure prediction algorithm from scalp EEG based on morphological filter and Kolmogorov complexity. Firstly, a complex filter is constructed to remove the artifacts in scalp EEG, in which a morphological filter with optimized structure elements is proposed to eliminate the ocular artifact. Then, the improved Kolmogorov complexity is applied to describe the non-linear dynamic transition of brains. Results show that only the Kolmogorov complexity of electrodes near the epileptogenic focus reduces significantly before seizures. Through the analysis of 7 long-term scalp EEG recordings from 5 epilepsy patients, the average prediction time is 8.5 minutes, the mean sensitivity is 74.0% and specificity is 33.6%.

Epileptic Seizures Prediction Using Deep Learning Techniques

“…These signals are first converted into mat files using ''edfread'' function. Butterworth bandpass filter [84] is applied on EEG signals to remove power line [85] and baseline noise [86] from EEG signals. After noise removal Short Time Fourier Transform (STFT) [8] is applied by selecting a non-overlapping window of 30 seconds in order to further increase Signal to Noise ratio and convert the signals from time domain to frequency domain.…”

Εξόρυξη Γνώσης Από Βάσεις Χρονοσειρών

“…Στη διατριβή αυτή, ερευνούµε επίσης και το ϐέλτιστο υποσύνολο χαρακτηριστικών που διαχωρίζει µε τον καλύτερο τρόπο τις διαϕορετικές καταστάσεις του δυναµικού συστήµατος που παράγει τις χρονοσειρές, και ειδικότερα τα EEG από προεπιληπτικές περιόδους. ΄Εχει αναπτυχθεί πλήθος διαϕορετικών αλγορίθµων εξόρυξης δεδοµένων που ϐασίζονται σε γραµµικά και µη-γραµµικά µέτρα (που τα καλούµε χαρακτηριστικά) και προορίζονται για την πρόβλεψη των επιληπτικών κρίσεων (Iasemidis et al, 2003;Xu et al, 2007;D'Alessandro et al, 2007;Direito et al, 2008). Στην εϕαρµογή του αλγορίθµου FSSwCRI σε επιλεγµένα χαρακτηριστικά φάνηκαν συγκριτικά καλά αποτελέσµατα που αϕορούν την επιτυχή πρόβλεψη επιληπτικών κρίσεων (Kugiumtzis et al, 2006).…”

Ανάπτυξη Μεθοδολογιών Βασισμένων Σε Μεγέθη Μη - Γραμμικής Δυναμικής Για Την Ανάλυση Δεδομένων Επιληψίας

“…Ιδιαίτερα συνήθης σε αυτό το βήμα μετα-επεξεργασίας είναι η εφαρμογή κάποιου κατωφλίου με σκοπό τον εντοπισμό των χρονικών στιγμών που η χρονοσειρά αποκτά τιμές μικρότερες ή μεγαλύτερες του κατωφλίου (Wang et al 2011, Kuhlmann et al 2010, Schad et al 2008, Aksenova et al 2007, Quyang et al 2007, Xu et al 2007, Li and Quyang 2006, Schelter et al 2007, 2006a, Winterhalder et al 2006, Niederhauser et al 2005, Maiwald et al 2004, Schindler et al 2002. Στο σχήμα Σ2.2 παρουσιάζεται ένα παράδειγμα παραγωγής χρονοσειράς τιμών του χαρακτηριστικού μεγέθους με εφαρμογή μεθοδολογίας κινούμενου παραθύρου στο ΗΕΓ και εφαρμογής κατωφλίου για ανίχνευση πτώσης τιμών που οδηγεί στην παραγωγή αυτόματης ειδοποίησης για την επερχόμενη επιληπτική κρίση: η αυτόματη ειδοποίηση παράγεται όταν το χαρακτηριστικό μέγεθος αποκτήσει τιμή μικρότερη του κατωφλίου.…”

“…Τέλος, ο έλεγχος διαχωρισιμότητας πραγματοποιήθηκε επιτρέποντας διαφορετικές διάρκειες T της θεωρούμενης προκρισικής περιόδου (iii). Δεδομένου ότι δεν είναι υπολογιστικά εφικτό να εξετάσει κανείς κάθε πιθανό μήκος προκρισικής περιόδου, εξετάστηκαν τέσσερα διαφορετικά μήκη που επιλέχθηκαν προκειμένου να καλύψουν το εύρος των χρόνων πρόβλεψης που έχουν αναφερθεί στη βιβλιογραφία χρησιμοποιώντας διαφορετικά χαρακτηριστικά μεγέθη: Τ = 5 min (Xu et al 2007, D'Alessandro et al 2003, Navarro et al 2002, Le Van Quyen et al 2001, Duckrow and Spencer 1992, Rogowski 1981…”

“…Στη συνέχεια, προκειμένου να παραχθούν ειδοποιήσεις για επερχόμενες επιληπτικές κρίσεις, ακολουθήσαμε την τακτική εφαρμογής (βλ. ενότητα 2.2.2) (Polychronaki et al 2010b, Andrzejak et al 2010, η οποία χρησιμοποιείται ευρέως στη βιβλιογραφία αυτόματης πρόβλεψης κρίσεων (Wang et al 2011, Kuhlmann et al 2010, Schad et al 2008, Aksenova et al 2007, Quyang et al 2007, Xu et al 2007, Schelter et al 2007, Li and Quyang 2006, Schelter et al 2006a, b, Winterhalder et al 2006, Niederhauser et al 2005, Maiwald et al 2004, Schindler et al 2002. Μια ειδοποίηση μπορεί να παραχθεί κάθε φορά που η χρονοσειρά διασχίζει το κατώφλι από πάνω προς τα κάτω, αποκτώντας τιμή μικρότερη του κατωφλίου (δείτε επόμενη παράγραφο για το πότε επιτρέπεται η έγερση μιας ειδοποίησης όταν η χρονοσειρά διασχίζει το κατώφλι).…”